Spark源码分析之七：Task运行（一）

在Task调度相关的两篇文章《Spark源码分析之五：Task调度（一）》与《Spark源码分析之六：Task调度（二）》中，我们大致了解了Task调度相关的主要逻辑，并且在Task调度逻辑的最后，CoarseGrainedSchedulerBackend的内部类DriverEndpoint中的makeOffers()方法的最后，我们通过调用TaskSchedulerImpl的resourceOffers()方法，得到了TaskDescription序列的序列Seq[Seq[TaskDescription]]，相关代码如下：

// 调用scheduler的resourceOffers()方法，分配资源，并在得到资源后，调用launchTasks()方法，启动tasks
// 这个scheduler就是TaskSchedulerImpl
launchTasks(scheduler.resourceOffers(workOffers))

/**
   * Called by cluster manager to offer resources on slaves. We respond by asking our active task
   * sets for tasks in order of priority. We fill each node with tasks in a round-robin manner so
   * that tasks are balanced across the cluster.
   *
   * 被集群manager调用以提供slaves上的资源。我们通过按照优先顺序询问活动task集中的task来回应。
   * 我们通过循环的方式将task调度到每个节点上以便tasks在集群中可以保持大致的均衡。
   */
def resourceOffers(offers: Seq[WorkerOffer]): Seq[Seq[TaskDescription]] = synchronized {

这个TaskDescription很简单，是传递到executor上即将被执行的Task的描述，通常由TaskSetManager的resourceOffer()方法生成。代码如下：

/**
 * Description of a task that gets passed onto executors to be executed, usually created by
 * [[TaskSetManager.resourceOffer]].
 */
private[spark] class TaskDescription(
val taskId: Long,
val attemptNumber: Int,
val executorId: String,
val name: String,
val index: Int,    // Index within this task's TaskSet
_serializedTask: ByteBuffer)
extends Serializable {

// Because ByteBuffers are not serializable, wrap the task in a SerializableBuffer
// 由于ByteBuffers不可以被序列化，所以将task包装在SerializableBuffer中，_serializedTask为ByteBuffer类型的Task
private val buffer = new SerializableBuffer(_serializedTask)

// 序列化后的Task， 取buffer的value
def serializedTask: ByteBuffer = buffer.value


override def toString: String = "TaskDescription(TID=%d, index=%d)".format(taskId, index)
}

此时，得到Seq[Seq[TaskDescription]]，即Task被调度到相应executor上后（仅是逻辑调度，实际上并未分配到executor上执行），接下来要做的，便是真正的将Task分配到指定的executor上去执行，也就是本篇我们将要讲的Task的运行。而这部分的开端，源于上述提到的CoarseGrainedSchedulerBackend的内部类DriverEndpoint中的launchTasks()方法，代码如下：

// Launch tasks returned by a set of resource offers
private def launchTasks(tasks: Seq[Seq[TaskDescription]]) {

// 循环每个task
for (task <- tasks.flatten) {

// 序列化Task
val serializedTask = ser.serialize(task)

// 序列化后的task的大小超出规定的上限
// 即如果序列化后task的大小大于等于框架配置的Akka消息最大大小减去除序列化task或task结果外，一个Akka消息需要保留的额外大小的值
if (serializedTask.limit >= akkaFrameSize - AkkaUtils.reservedSizeBytes) {

// 根据task的taskId，在TaskSchedulerImpl的taskIdToTaskSetManager中获取对应的TaskSetManager
scheduler.taskIdToTaskSetManager.get(task.taskId).foreach { taskSetMgr =>
try {
var msg = "Serialized task %s:%d was %d bytes, which exceeds max allowed: " +
"spark.akka.frameSize (%d bytes) - reserved (%d bytes). Consider increasing " +
"spark.akka.frameSize or using broadcast variables for large values."
msg = msg.format(task.taskId, task.index, serializedTask.limit, akkaFrameSize,
AkkaUtils.reservedSizeBytes)

// 调用TaskSetManager的abort()方法，标记对应TaskSetManager为失败
taskSetMgr.abort(msg)
} catch {
case e: Exception => logError("Exception in error callback", e)
}
}
}
else {// 序列化后task的大小在规定的大小内

// 从executorDataMap中，根据task.executorId获取executor描述信息executorData
val executorData = executorDataMap(task.executorId)

// executorData中，freeCores做相应减少
executorData.freeCores -= scheduler.CPUS_PER_TASK

// 利用executorData中的executorEndpoint，发送LaunchTask事件，LaunchTask事件中包含序列化后的task
executorData.executorEndpoint.send(LaunchTask(new SerializableBuffer(serializedTask)))
}
}
}

launchTasks的执行逻辑很简单，针对传入的TaskDescription序列，循环每个Task，做以下处理：

1、首先对Task进行序列化，得到serializedTask；

2、针对序列化后的Task：serializedTask，判断其大小：

2.1、序列化后的task的大小达到或超出规定的上限，即框架配置的Akka消息最大大小，减去除序列化task或task结果外，一个Akka消息需要保留的额外大小的值，则根据task的taskId，在TaskSchedulerImpl的taskIdToTaskSetManager中获取对应的TaskSetManager，并调用其abort()方法，标记对应TaskSetManager为失败；

2.2、序列化后的task的大小未达到上限，在规定的大小范围内，则：

2.2.1、从executorDataMap中，根据task.executorId获取executor描述信息executorData；

2.2.2、在executorData中，freeCores做相应减少；

2.2.3、利用executorData中的executorEndpoint，即Driver端executor通讯端点的引用，发送LaunchTask事件，LaunchTask事件中包含序列化后的task，将Task传递到executor中去执行。

接下来，我们重点分析下上述流程。

先说下异常流程，即序列化后Task的大小超过上限时，对TaskSet标记为失败的处理。入口方法为TaskSetManager的abort()方法，代码如下：

def abort(message: String, exception: Option[Throwable] = None): Unit = sched.synchronized {

// TODO: Kill running tasks if we were not terminated due to a Mesos error
// 调用DAGScheduler的taskSetFailed()方法，标记TaskSet运行失败
sched.dagScheduler.taskSetFailed(taskSet, message, exception)

// 标志位isZombie设置为true
isZombie = true

// 满足一定条件的情况下，将TaskSet标记为Finished
maybeFinishTaskSet()
}

abort()方法处理逻辑共分三步：

第一，调用DAGScheduler的taskSetFailed()方法，标记TaskSet运行失败；

第二，标志位isZombie设置为true；

第三，满足一定条件的情况下，将TaskSet标记为Finished。

首先看下DAGScheduler的taskSetFailed()方法，代码如下：

/**
   * Called by the TaskSetManager to cancel an entire TaskSet due to either repeated failures or
   * cancellation of the job itself.
   */
def taskSetFailed(taskSet: TaskSet, reason: String, exception: Option[Throwable]): Unit = {
eventProcessLoop.post(TaskSetFailed(taskSet, reason, exception))
}

和第二篇文章《Spark源码分析之二：Job的调度模型与运行反馈》中Job的调度模型一致，都是依靠事件队列eventProcessLoop来完成事件的调度执行的，这里，我们在事件队列eventProcessLoop中放入了一个TaskSetFailed事件。在DAGScheduler的事件处理调度函数doOnReceive()方法中，明确规定了事件的处理方法，代码如下：

// 如果是TaskSetFailed事件，调用dagScheduler.handleTaskSetFailed()方法处理
case TaskSetFailed(taskSet, reason, exception) =>
dagScheduler.handleTaskSetFailed(taskSet, reason, exception)

下面，我们看下handleTaskSetFailed()这个方法。

private[scheduler] def handleTaskSetFailed(
taskSet: TaskSet,
reason: String,
exception: Option[Throwable]): Unit = {

// 根据taskSet的stageId获取到对应的Stage，循环调用abortStage，终止该Stage
stageIdToStage.get(taskSet.stageId).foreach { abortStage(_, reason, exception) }

// 提交等待的Stages
submitWaitingStages()
}

很简单，首先通过taskSet的stageId获取到对应的Stage，针对Stage，循环调用abortStage()方法，终止该Stage，然后调用submitWaitingStages()方法提交等待的Stages。我们先看下abortStage()方法，代码如下：

/**
   * Aborts all jobs depending on a particular Stage. This is called in response to a task set
   * being canceled by the TaskScheduler. Use taskSetFailed() to inject this event from outside.
   * 终止给定Stage上的所有Job。
   */
private[scheduler] def abortStage(
failedStage: Stage,
reason: String,
exception: Option[Throwable]): Unit = {

// 如果stageIdToStage中不存在对应的stage，说明stage已经被移除，直接返回
if (!stageIdToStage.contains(failedStage.id)) {
// Skip all the actions if the stage has been removed.
return
}

// 遍历activeJobs中的ActiveJob，逐个调用stageDependsOn()方法，找出存在failedStage的祖先stage的activeJob，即dependentJobs
val dependentJobs: Seq[ActiveJob] =
activeJobs.filter(job => stageDependsOn(job.finalStage, failedStage)).toSeq

// 标记failedStage的完成时间completionTime
failedStage.latestInfo.completionTime = Some(clock.getTimeMillis())

// 遍历dependentJobs，调用failJobAndIndependentStages()
for (job <- dependentJobs) {
failJobAndIndependentStages(job, s"Job aborted due to stage failure: $reason", exception)
}
if (dependentJobs.isEmpty) {
logInfo("Ignoring failure of " + failedStage + " because all jobs depending on it are done")
}
}

这个方法的处理逻辑主要分为四步：

1、如果stageIdToStage中不存在对应的stage，说明stage已经被移除，直接返回，这是对异常情况下的一种特殊处理；

2、遍历activeJobs中的ActiveJob，逐个调用stageDependsOn()方法，找出存在failedStage的祖先stage的activeJob，即dependentJobs；

3、标记failedStage的完成时间completionTime；

4、遍历dependentJobs，调用failJobAndIndependentStages()。

其它都好说，我们主要看下stageDependsOn()和failJobAndIndependentStages()这两个方法。首先看下stageDependsOn()方法，代码如下：

/** Return true if one of stage's ancestors is target. */
// 如果参数stage的祖先是target，返回true
private def stageDependsOn(stage: Stage, target: Stage): Boolean = {

// 如果stage即为target，返回true
if (stage == target) {
return true
}

// 存储处理过的RDD
val visitedRdds = new HashSet[RDD[_]]

// We are manually maintaining a stack here to prevent StackOverflowError
// caused by recursively visiting
// 存储待处理的RDD
val waitingForVisit = new Stack[RDD[_]]

// 定义一个visit()方法
def visit(rdd: RDD[_]) {
// 如果该RDD未被处理过的话，继续处理
if (!visitedRdds(rdd)) {
// 将RDD添加到visitedRdds中
visitedRdds += rdd

// 遍历RDD的依赖
for (dep <- rdd.dependencies) {
dep match {
// 如果是ShuffleDependency
case shufDep: ShuffleDependency[_, _, _] =>

// 获得mapStage，并且如果stage的isAvailable为false的话，将其压入waitingForVisit
val mapStage = getShuffleMapStage(shufDep, stage.firstJobId)
if (!mapStage.isAvailable) {
waitingForVisit.push(mapStage.rdd)
}  // Otherwise there's no need to follow the dependency back
// 如果是NarrowDependency，直接将其压入waitingForVisit
case narrowDep: NarrowDependency[_] =>
waitingForVisit.push(narrowDep.rdd)
}
}
}
}

// 从stage的rdd开始处理，将其入栈waitingForVisit
waitingForVisit.push(stage.rdd)

// 当waitingForVisit中存在数据，就调用visit()方法进行处理
while (waitingForVisit.nonEmpty) {
visit(waitingForVisit.pop())
}

// 根据visitedRdds中是否存在target的rdd判断参数stage的祖先是否为target
visitedRdds.contains(target.rdd)
}

这个方法主要是判断参数stage是否为参数target的祖先stage，其代码风格与stage划分和提交中的部分代码一样，这在前面的两篇文章中也提到过，在此不再赘述。而它主要是通过stage的rdd，并遍历其上层依赖的rdd链，将每个stage的rdd加入到visitedRdds中，最后根据visitedRdds中是否存在target的rdd判断参数stage的祖先是否为target。值得一提的是，如果RDD的依赖是NarrowDependency，直接将其压入waitingForVisit，如果为ShuffleDependency，则需要判断stage的isAvailable，如果为false，则将对应RDD压入waitingForVisit。关于isAvailable，我在《Spark源码分析之四：Stage提交》一文中具体阐述过，这里不再赘述。

接下来，我们再看下failJobAndIndependentStages()方法，这个方法的主要作用就是使得一个Job和仅被该Job使用的所有stages失败，并清空有关状态。代码如下：

/** Fails a job and all stages that are only used by that job, and cleans up relevant state. */
// 使得一个Job和仅被该Job使用的所有stages失败，并清空有关状态
private def failJobAndIndependentStages(
job: ActiveJob,
failureReason: String,
exception: Option[Throwable] = None): Unit = {

// 构造一个异常，内容为failureReason
val error = new SparkException(failureReason, exception.getOrElse(null))

// 标志位，是否能取消Stages
var ableToCancelStages = true

// 标志位，是否应该中断线程
val shouldInterruptThread =
if (job.properties == null) false
else job.properties.getProperty(SparkContext.SPARK_JOB_INTERRUPT_ON_CANCEL, "false").toBoolean

// Cancel all independent, running stages.
// 取消所有独立的，正在运行的stages

// 根据Job的jobId，获取其stages
val stages = jobIdToStageIds(job.jobId)

// 如果stages为空，记录错误日志
if (stages.isEmpty) {
logError("No stages registered for job " + job.jobId)
}

// 遍历stages，循环处理
stages.foreach { stageId =>

// 根据stageId，获取jobsForStage，即每个Job所包含的Stage信息
val jobsForStage: Option[HashSet[Int]] = stageIdToStage.get(stageId).map(_.jobIds)

// 首先处理异常情况，即jobsForStage为空，或者jobsForStage中不包含当前Job
if (jobsForStage.isEmpty || !jobsForStage.get.contains(job.jobId)) {
logError(
"Job %d not registered for stage %d even though that stage was registered for the job"
.format(job.jobId, stageId))
} else if (jobsForStage.get.size == 1) {
// 如果stageId对应的stage不存在
if (!stageIdToStage.contains(stageId)) {
logError(s"Missing Stage for stage with id $stageId")
} else {
// This is the only job that uses this stage, so fail the stage if it is running.
//
val stage = stageIdToStage(stageId)
if (runningStages.contains(stage)) {
try { // cancelTasks will fail if a SchedulerBackend does not implement killTask

// 调用taskScheduler的cancelTasks()方法，取消stage内的tasks
taskScheduler.cancelTasks(stageId, shouldInterruptThread)

// 标记Stage为完成
markStageAsFinished(stage, Some(failureReason))
} catch {
case e: UnsupportedOperationException =>
logInfo(s"Could not cancel tasks for stage $stageId", e)
ableToCancelStages = false
}
}
}
}
}

if (ableToCancelStages) {// 如果能取消Stages

// 调用job监听器的jobFailed()方法
job.listener.jobFailed(error)

// 为Job和独立Stages清空状态，独立Stages的意思为该stage仅为该Job使用
cleanupStateForJobAndIndependentStages(job)

// 发送一个SparkListenerJobEnd事件
listenerBus.post(SparkListenerJobEnd(job.jobId, clock.getTimeMillis(), JobFailed(error)))
}
}

处理过程还是很简单的，读者可以通过上述源码和注释自行补脑，这里就先略过了。

下面，再说下正常情况下，即序列化后Task大小未超过上限时，LaunchTask事件的发送及executor端的响应。代码再跳转到CoarseGrainedSchedulerBackend的内部类DriverEndpoint中的launchTasks()方法。正常情况下处理流程主要分为三大部分：

1、从executorDataMap中，根据task.executorId获取executor描述信息executorData；

2、在executorData中，freeCores做相应减少；

3、利用executorData中的executorEndpoint，即Driver端executor通讯端点的引用，发送LaunchTask事件，LaunchTask事件中包含序列化后的task，将Task传递到executor中去执行。

我们重点看下第3步，利用Driver端持有的executor描述信息executorData中的executorEndpoint，即Driver端executor通讯端点的引用，发送LaunchTask事件给executor，将Task传递到executor中去执行。那么executor中是如何接收LaunchTask事件的呢？答案就在CoarseGrainedExecutorBackend中。

我们先说下这个CoarseGrainedExecutorBackend，类的定义如下所示：

private[spark] class CoarseGrainedExecutorBackend(
override val rpcEnv: RpcEnv,
driverUrl: String,
executorId: String,
hostPort: String,
cores: Int,
userClassPath: Seq[URL],
env: SparkEnv)
extends ThreadSafeRpcEndpoint with ExecutorBackend with Logging {

由上面的代码我们可以知道，它实现了ThreadSafeRpcEndpoint和ExecutorBackend两个trait，而ExecutorBackend的定义如下：

/**
 * A pluggable interface used by the Executor to send updates to the cluster scheduler.
 * 一个被Executor用来发送更新到集群调度器的可插拔接口。
 */
private[spark] trait ExecutorBackend {

// 唯一的一个statusUpdate()方法
// 需要Long类型的taskId、TaskState类型的state、ByteBuffer类型的data三个参数
def statusUpdate(taskId: Long, state: TaskState, data: ByteBuffer)
}

那么它自然就有两种主要的任务，第一，作为endpoint提供driver与executor间的通讯功能；第二，提供了executor任务执行时状态汇报的功能。

CoarseGrainedExecutorBackend到底是什么呢？这里我们先不深究，留到以后分析，你只要知道它是Executor的一个后台辅助进程，和Executor是一对一的关系，向Executor提供了与Driver通讯、任务执行时状态汇报两个基本功能即可。

接下来，我们看下CoarseGrainedExecutorBackend是如何处理LaunchTask事件的。做为RpcEndpoint，在其处理各类事件或消息的receive()方法中，定义如下：

case LaunchTask(data) =>
if (executor == null) {
logError("Received LaunchTask command but executor was null")
System.exit(1)
} else {

// 反序列话task，得到taskDesc
val taskDesc = ser.deserialize[TaskDescription](data.value)
logInfo("Got assigned task " + taskDesc.taskId)

// 调用executor的launchTask()方法加载task
executor.launchTask(this, taskId = taskDesc.taskId, attemptNumber = taskDesc.attemptNumber,
taskDesc.name, taskDesc.serializedTask)
}

首先，会判断对应的executor是否为空，为空的话，记录错误日志并退出，不为空的话，则按照如下流程处理：

1、反序列话task，得到taskDesc；

2、调用executor的launchTask()方法加载task。

那么，重点就落在了Executor的launchTask()方法中，代码如下：

def launchTask(
context: ExecutorBackend,
taskId: Long,
attemptNumber: Int,
taskName: String,
serializedTask: ByteBuffer): Unit = {

// 新建一个TaskRunner
val tr = new TaskRunner(context, taskId = taskId, attemptNumber = attemptNumber, taskName,
serializedTask)

// 将taskId与TaskRunner的对应关系存入runningTasks
runningTasks.put(taskId, tr)

// 线程池执行TaskRunner
threadPool.execute(tr)
}

非常简单，创建一个TaskRunner对象，然后将taskId与TaskRunner的对应关系存入runningTasks，将TaskRunner扔到线程池中去执行即可。

我们先看下这个TaskRunner类。我们先看下Class及其成员变量的定义，如下：

class TaskRunner(
execBackend: ExecutorBackend,
val taskId: Long,
val attemptNumber: Int,
taskName: String,
serializedTask: ByteBuffer)
extends Runnable {

// TaskRunner继承了Runnable

/** Whether this task has been killed. */
// 标志位，task是否被杀掉
@volatile private var killed = false

/** How much the JVM process has spent in GC when the task starts to run. */
@volatile var startGCTime: Long = _

/**
     * The task to run. This will be set in run() by deserializing the task binary coming
     * from the driver. Once it is set, it will never be changed.
     *
     * 需要运行的task。它将在反序列化来自driver的task二进制数据时在run()方法被设置，一旦被设置，它将不会再发生改变。
     */
@volatile var task: Task[Any] = _
}

由类的定义我们可以看出，TaskRunner继承了Runnable，所以它本质上是一个线程，故其可以被放到线程池中去运行。它所包含的成员变量，主要有以下几个：

1、execBackend：Executor后台辅助进程，提供了与Driver通讯、状态汇报等两大基本功能，实际上传入的是CoarseGrainedExecutorBackend实例；

2、taskId：Task的唯一标识；

3、attemptNumber：Task运行的序列号，Spark与MapReduce一样，可以为拖后腿任务启动备份任务，即推测执行原理，如此，就需要通过taskId加attemptNumber来唯一标识一个Task运行实例；

4、serializedTask：ByteBuffer类型，序列化后的Task，包含的是Task的内容，通过发序列化它来得到Task，并运行其中的run()方法来执行Task；

5、killed：Task是否被杀死的标志位；

6、task：Task[Any]类型，需要运行的Task，它将在反序列化来自driver的task二进制数据时在run()方法被设置，一旦被设置，它将不会再发生改变；

7、startGCTime：JVM在task开始运行后，进行垃圾回收的时间。

另外，既然是一个线程，TaskRunner必须得提供run()方法，该run()方法就是TaskRunner线程在线程池中被调度时，需要执行的方法，我们来看下它的定义：

override def run(): Unit = {

// Step1：Task及其运行时需要的辅助对象构造

// 获取任务内存管理器
val taskMemoryManager = new TaskMemoryManager(env.memoryManager, taskId)

// 反序列化开始时间
val deserializeStartTime = System.currentTimeMillis()

// 当前线程设置上下文类加载器
Thread.currentThread.setContextClassLoader(replClassLoader)

// 从SparkEnv中获取序列化器
val ser = env.closureSerializer.newInstance()
logInfo(s"Running $taskName (TID $taskId)")

// execBackend更新状态TaskState.RUNNING
execBackend.statusUpdate(taskId, TaskState.RUNNING, EMPTY_BYTE_BUFFER)
var taskStart: Long = 0

// 计算垃圾回收的时间
startGCTime = computeTotalGcTime()

try {
// 调用Task的deserializeWithDependencies()方法，反序列化Task，得到Task运行需要的文件taskFiles、jar包taskFiles和Task二进制数据taskBytes
val (taskFiles, taskJars, taskBytes) = Task.deserializeWithDependencies(serializedTask)
updateDependencies(taskFiles, taskJars)

// 反序列化Task二进制数据taskBytes，得到task实例
task = ser.deserialize[Task[Any]](taskBytes, Thread.currentThread.getContextClassLoader)

// 设置Task的任务内存管理器
task.setTaskMemoryManager(taskMemoryManager)

// If this task has been killed before we deserialized it, let's quit now. Otherwise,
// continue executing the task.
// 如果此时Task被kill，抛出异常，快速退出
if (killed) {
// Throw an exception rather than returning, because returning within a try{} block
// causes a NonLocalReturnControl exception to be thrown. The NonLocalReturnControl
// exception will be caught by the catch block, leading to an incorrect ExceptionFailure
// for the task.
throw new TaskKilledException
}

logDebug("Task " + taskId + "'s epoch is " + task.epoch)
// mapOutputTracker更新Epoch
env.mapOutputTracker.updateEpoch(task.epoch)

// Run the actual task and measure its runtime.
// 运行真正的task，并度量它的运行时间

// Step2：Task运行

// task开始时间
taskStart = System.currentTimeMillis()

// 标志位threwException设置为true，标识Task真正执行过程中是否抛出异常
var threwException = true

// 调用Task的run()方法，真正执行Task，并获得运行结果value
val (value, accumUpdates) = try {

// 调用Task的run()方法，真正执行Task
val res = task.run(
taskAttemptId = taskId,
attemptNumber = attemptNumber,
metricsSystem = env.metricsSystem)

// 标志位threwException设置为false
threwException = false

// 返回res，Task的run()方法中，res的定义为(T, AccumulatorUpdates)
// 这里，前者为任务运行结果，后者为累加器更新
res
} finally {

// 通过任务内存管理器清理所有的分配的内存
val freedMemory = taskMemoryManager.cleanUpAllAllocatedMemory()
if (freedMemory > 0) {
val errMsg = s"Managed memory leak detected; size = $freedMemory bytes, TID = $taskId"
if (conf.getBoolean("spark.unsafe.exceptionOnMemoryLeak", false) && !threwException) {
throw new SparkException(errMsg)
} else {
logError(errMsg)
}
}
}

// task完成时间
val taskFinish = System.currentTimeMillis()

// If the task has been killed, let's fail it.
// 如果task被杀死，抛出TaskKilledException异常
if (task.killed) {
throw new TaskKilledException
}

// Step3：Task运行结果处理

// 通过Spark获取Task运行结果序列化器
val resultSer = env.serializer.newInstance()

// 结果序列化前的时间点
val beforeSerialization = System.currentTimeMillis()

// 利用Task运行结果序列化器序列化Task运行结果，得到valueBytes
val valueBytes = resultSer.serialize(value)

// 结果序列化后的时间点
val afterSerialization = System.currentTimeMillis()

// 度量指标体系相关，暂不介绍
for (m <- task.metrics) {
// Deserialization happens in two parts: first, we deserialize a Task object, which
// includes the Partition. Second, Task.run() deserializes the RDD and function to be run.
m.setExecutorDeserializeTime(
(taskStart - deserializeStartTime) + task.executorDeserializeTime)
// We need to subtract Task.run()'s deserialization time to avoid double-counting
m.setExecutorRunTime((taskFinish - taskStart) - task.executorDeserializeTime)
m.setJvmGCTime(computeTotalGcTime() - startGCTime)
m.setResultSerializationTime(afterSerialization - beforeSerialization)
m.updateAccumulators()
}

// 构造DirectTaskResult，同时包含Task运行结果valueBytes和累加器更新值accumulator updates
val directResult = new DirectTaskResult(valueBytes, accumUpdates, task.metrics.orNull)

// 序列化DirectTaskResult，得到serializedDirectResult
val serializedDirectResult = ser.serialize(directResult)

// 获取Task运行结果大小
val resultSize = serializedDirectResult.limit

// directSend = sending directly back to the driver
// directSend的意思就是直接发送结果至Driver端
val serializedResult: ByteBuffer = {

// 如果Task运行结果大小大于所有Task运行结果的最大大小，序列化IndirectTaskResult
// IndirectTaskResult为存储在Worker上BlockManager中DirectTaskResult的一个引用
if (maxResultSize > 0 && resultSize > maxResultSize) {
logWarning(s"Finished $taskName (TID $taskId). Result is larger than maxResultSize " +
s"(${Utils.bytesToString(resultSize)} > ${Utils.bytesToString(maxResultSize)}), " +
s"dropping it.")
ser.serialize(new IndirectTaskResult[Any](TaskResultBlockId(taskId), resultSize))
}
// 如果 Task运行结果大小超过Akka除去需要保留的字节外最大大小，则将结果写入BlockManager
// 即运行结果无法通过消息传递
else if (resultSize >= akkaFrameSize - AkkaUtils.reservedSizeBytes) {

val blockId = TaskResultBlockId(taskId)
env.blockManager.putBytes(
blockId, serializedDirectResult, StorageLevel.MEMORY_AND_DISK_SER)
logInfo(
s"Finished $taskName (TID $taskId). $resultSize bytes result sent via BlockManager)")
ser.serialize(new IndirectTaskResult[Any](blockId, resultSize))
}
// Task运行结果比较小的话，直接返回，通过消息传递
else {
logInfo(s"Finished $taskName (TID $taskId). $resultSize bytes result sent to driver")
serializedDirectResult
}
}

// execBackend更新状态TaskState.FINISHED
execBackend.statusUpdate(taskId, TaskState.FINISHED, serializedResult)

} catch {// 处理各种异常信息

case ffe: FetchFailedException =>
val reason = ffe.toTaskEndReason
execBackend.statusUpdate(taskId, TaskState.FAILED, ser.serialize(reason))

case _: TaskKilledException | _: InterruptedException if task.killed =>
logInfo(s"Executor killed $taskName (TID $taskId)")
execBackend.statusUpdate(taskId, TaskState.KILLED, ser.serialize(TaskKilled))

case cDE: CommitDeniedException =>
val reason = cDE.toTaskEndReason
execBackend.statusUpdate(taskId, TaskState.FAILED, ser.serialize(reason))

case t: Throwable =>
// Attempt to exit cleanly by informing the driver of our failure.
// If anything goes wrong (or this was a fatal exception), we will delegate to
// the default uncaught exception handler, which will terminate the Executor.
logError(s"Exception in $taskName (TID $taskId)", t)

val metrics: Option[TaskMetrics] = Option(task).flatMap { task =>
task.metrics.map { m =>
m.setExecutorRunTime(System.currentTimeMillis() - taskStart)
m.setJvmGCTime(computeTotalGcTime() - startGCTime)
m.updateAccumulators()
m
}
}
val serializedTaskEndReason = {
try {
ser.serialize(new ExceptionFailure(t, metrics))
} catch {
case _: NotSerializableException =>
// t is not serializable so just send the stacktrace
ser.serialize(new ExceptionFailure(t, metrics, false))
}
}

// execBackend更新状态TaskState.FAILED
execBackend.statusUpdate(taskId, TaskState.FAILED, serializedTaskEndReason)

// Don't forcibly exit unless the exception was inherently fatal, to avoid
// stopping other tasks unnecessarily.
if (Utils.isFatalError(t)) {
SparkUncaughtExceptionHandler.uncaughtException(t)
}

} finally {

// 最后，无论运行成功还是失败，将task从runningTasks中移除
runningTasks.remove(taskId)
}
}

如此长的一个方法，好长好大，哈哈！不过，纵观全篇，无非三个Step就可搞定：

1、Step1：Task及其运行时需要的辅助对象构造；

2、Step2：Task运行；

3、Step3：Task运行结果处理。

对， 就这么简单！鉴于时间与篇幅问题，我们这里先讲下主要流程，细节方面的东西留待下节继续。

下面，我们一个个Step来看，首先看下Step1：Task及其运行时需要的辅助对象构造，主要包括以下步骤：

1.1、构造TaskMemoryManager任务内存管理器，即taskMemoryManager；

1.2、记录反序列化开始时间；

1.3、当前线程设置上下文类加载器；

1.4、从SparkEnv中获取序列化器ser；

1.5、execBackend更新状态TaskState.RUNNING；

1.6、计算垃圾回收时间；

1.7、调用Task的deserializeWithDependencies()方法，反序列化Task，得到Task运行需要的文件taskFiles、jar包taskFiles和Task二进制数据taskBytes；

1.8、反序列化Task二进制数据taskBytes，得到task实例；

1.9、设置Task的任务内存管理器；

1.10、如果此时Task被kill，抛出异常，快速退出；

接下来，是Step2：Task运行，主要流程如下：

2.1、获取task开始时间；

2.2、标志位threwException设置为true，标识Task真正执行过程中是否抛出异常；

2.3、调用Task的run()方法，真正执行Task，并获得运行结果value，和累加器更新accumUpdates；

2.4、标志位threwException设置为false；

2.5、通过任务内存管理器taskMemoryManager清理所有的分配的内存；

2.6、获取task完成时间；

2.7、如果task被杀死，抛出TaskKilledException异常。

最后一步，Step3：Task运行结果处理，大体流程如下：

3.1、通过SparkEnv获取Task运行结果序列化器；

3.2、获取结果序列化前的时间点；

3.3、利用Task运行结果序列化器序列化Task运行结果value，得到valueBytes；

3.4、获取结果序列化后的时间点；

3.5、度量指标体系相关，暂不介绍；

3.6、构造DirectTaskResult，同时包含Task运行结果valueBytes和累加器更新值accumulator updates；

3.7、序列化DirectTaskResult，得到serializedDirectResult；

3.8、获取Task运行结果大小；

3.9、处理Task运行结果：

3.9.1、如果Task运行结果大小大于所有Task运行结果的最大大小，序列化IndirectTaskResult，IndirectTaskResult为存储在Worker上BlockManager中DirectTaskResult的一个引用；

3.9.2、如果 Task运行结果大小超过Akka除去需要保留的字节外最大大小，则将结果写入BlockManager，Task运行结果比较小的话，直接返回，通过消息传递;

3.9.3、Task运行结果比较小的话，直接返回，通过消息传递

3.10、execBackend更新状态TaskState.FINISHED；

最后，无论运行成功还是失败，将task从runningTasks中移除。

至此，Task的运行主体流程已经介绍完毕，剩余的部分细节，包括Task内run()方法的具体执行，还有任务内存管理器、序列化器、累加更新，还有部分异常情况处理，状态汇报等等其他更为详细的内容留到下篇再讲吧！

明天还要工作，洗洗睡了！

博客原地址：http://blog.csdn.net/lipeng_bigdata/article/details/50726216